基于元胞机和概率模型的港口水域交通流预测
发布时间：2021-06-08 18:00
随着我国与世界各国贸易合作不断加强,港口区域船舶密度不断提高,致使港口区域交通状况复杂度上升和船舶通航风险增加。科学准确的船舶交通流预测模型能为海事机关和港航部门,进行港口基础设施建设以及港口交通流组织提供数据支持和理论依据。同时,对减少港口水域海上交通事故发生具有十分重要的意义。基于元胞机和概率模型的港口水域交通流预测模型应用元胞自动机理论和概率模型对整个港口区域进行交通流预测。该模型通过对港口历史AIS数据挖掘结合港口实际通航条件,将整个港口区域划分为航道内和航道外两个区域。针对两个区域不同交通流特点应用上述两种交通流预测模型分别进行港口水域交通流预测,并将两部分集成到统一交通流预测平台,进行两个预测体系交互。本文主要工作如下:（1）通过对历史数据处理结合实际通航条件将港口区域划分为航道内和航道外两个区域。对历史数据处理主要是进行航迹聚类,通过航迹聚类再结合实际港口区域航道划分,将海图上一些航迹类划分为航道区域,并在聚类结果上进行航道绘制,海图除该区域以外区域统一划分为航道外区域。（2）对于航道内区域应用元胞自动机理论进行交通流预测建模,具体过程包括:由船舶行为确立元胞状态、根据船...
【文章来源】：集美大学福建省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
网格化效果图
集美大学硕士学位论文基于元胞机和概率模型的港口水域交通流预测42（2）锚地东山湾湾内由众多岛屿环绕构成天然防波屏障，湾内锚地避风条件良好。港湾水域有2#、3#、4#三个锚地，还有检疫锚地、10万吨级油船专用锚地、15万吨级原油船锚地和两个5万吨级散货船专用锚地。其具体分布如图（5-2）所示。图5-2东山湾水域锚地现状分布示意图5.1.2交通流特征漳州海事局对古雷港区近5年进出港船舶统计数据如表（5-1）所示，2014年由于古雷港区PX项目的试运行，其进出港船舶数目约为2013年的1.7倍。由于该项目在试运营期间的爆炸事故，2016年进出港船舶比2015约减少了30%，2017年逐步恢复进出港船舶数目与2016年持平。该统计数据为大型船舶统计数据不包含进出港渔船。在该港区存在许多渔船作业，比如在古雷航道6#浮标南侧水域常有渔船穿越古雷航道进入湾内渔港或在此水域进行捕鱼作业。表5-1古雷港区交通流年数据年份20132014201520162017进出港船次（艘次）205934673088204820605.2港口交通流预测应用python语言进行交通流预测平台底层算法搭建，借助现有的mesa库实现航段以及区域的模型构建。Mesa库是基于Agent的模型模块化框架，可用于进行模型构建、数据分析和模型可视化，其不同功能模块组件保持分离，以实现对复杂系统的计算机仿真实现。平台构建中涉及许多上文所说的数据前期处理，包括：数据插值、航迹聚类、初始船位转
集美大学硕士学位论文基于元胞机和概率模型的港口水域交通流预测46舶行为，在船舶执行元胞自动机更新规则时统计相应的船舶行为。同时该预测结果是接入真实交通流预测所得，将该水域获取的某一时刻AIS数据进行坐标装换航迹分析后进行分类，并将其实时位置坐标转换为系统坐标，将与之对应ShipAgent()放置在对应网格点进行交通流预测。设置预测时常为6000个时间步长，即100分钟，系统运行结束后将统计结果根据不同会遇态势、会遇位置和会遇时间绘制船舶交通流预测结果统计图如图（5-5）所示。图5-5交通流预测结果统计由图（5-5）可以得出对于定线制双向航道，航道内船舶发生最多的会遇行为是船舶对遇行为，对遇行为在该航道相对集中位置为网格编号1000-3000处以及网格编号4900-5100处，网格4000附近因接入交通流坐标转换后属于该区域船舶数量相对较少导致该区域交通流分布相对离散，因此该区域船舶会遇统计较少。追越行为因制定追越判断条件较为严格，故追越行为在该航道交通流预测中相对分散，按时间轴分布相对离散。根据该研究水域设置敏感水域对应网格编号2000-3000，故敏感水域会遇行为集中分布在该区域，并在设定时间步长内时间参数对该行为影响较校交叉行为是根据概率模型进行航迹推演得到航道外船舶穿越航道时间和穿越位置的基础上，根据预定机制和穿越规则形成的船舶行为，由图可得该区域预测时间段内网格编号1000-3000处会有穿越船在对应时间点进行穿越。为验证预测结果的准确性，对接入AIS数据中初始船舶位置、初始船舶速度、概率模型推导穿越船穿越点和穿越时间进行人为改变，并重新定义敏感水域划分将敏感水域按锚地进出口和航道交汇处分为3段区域，改变后的预测结果统计如图（5-6）所示。
【参考文献】：
期刊论文
[1]基于组合深度学习的快速路车道级速度预测研究[J]. 谷远利,陆文琦,李萌,王硕,邵壮壮. 交通运输系统工程与信息. 2019(04)
[2]基于聚类分析和马尔科夫模型的交通状态预测[J]. 郭骁炜,陈小妮,于泉,孙瑶. 公路. 2019(08)
[3]PSO-无偏灰色马尔科夫模型在船舶交通流量预测中的应用[J]. 马全党,江福才,范庆波,朱蓉蓉. 中国航海. 2019(01)
[4]改进的考虑前车速度效应的交通流元胞自动机模型[J]. 李硕,夏运达. 公路工程. 2019(01)
[5]基于改进的隐马尔可夫模型交通拥堵识别研究[J]. 王忻. 兰州交通大学学报. 2018(05)
[6]基于灰色马尔科夫模型的船舶交通流预测[J]. 刘成勇,万伟强,陈蜀喆,甘浪雄. 中国航海. 2018(03)
[7]基于优化的灰色马尔可夫模型对船舶流的预测[J]. 张晓雷,黄洪琼. 计算机技术与发展. 2018(10)
[8]基于集合经验模态分解和差分进化算法优化BP神经网络的船舶交通流预测[J]. 肖进丽,李晓磊. 大连海事大学学报. 2018(02)
[9]基于小波分析与隐马尔科夫模型的短时交通流预测[J]. 王川,张宝文. 交通节能与环保. 2018(01)
[10]基于ARMA和卡尔曼滤波的短时交通预测[J]. 杨高飞,徐睿,秦鸣,郑凯俐,张兵. 郑州大学学报(工学版). 2017(02)
博士论文
[1]基于元胞自动机的海上航道内船舶交通流研究[D]. 齐乐.大连海事大学 2017
[2]基于隐马尔可夫模型的车辆行程时间预测方法研究[D]. 欧阳黜霏.武汉大学 2015
[3]基于元胞自动机的交通流建模及实时诱导策略研究[D]. 向郑涛.上海大学 2013
硕士论文
[1]交互式多模型的转移概率自适应算法研究及应用[D]. 孙澜澜.西安理工大学 2019
[2]基于改进狼群算法和BP循环神经网络的短时交通流预测研究[D]. 邢家龙.北京交通大学 2019
[3]基于深度学习的短时交通流预测研究[D]. 翟冬梅.北京交通大学 2019
[4]基于隐马尔可夫新状态转移机制的网络风险动态评估方法[D]. 张晓.燕山大学 2019
[5]基于AIS数据挖掘的船舶领域模型研究[D]. 周田瑞.集美大学 2018
[6]基于AIS信息的船舶异常行为研究[D]. 黄靓莹.杭州电子科技大学 2018
[7]基于卡尔曼滤波的长江武汉大桥段交通流预报[D]. 柳立春.大连海事大学 2018
[8]基于LSTM和灰色模型集成的短期交通流预测[D]. 谈苗苗.南京邮电大学 2017
[9]基于Agent和元胞自动机的港口交通流建模与仿真[D]. 何鑫.大连海事大学 2017
[10]厦门港主航道VTS决策支持关键技术研究[D]. 赵一帆.集美大学 2017
本文编号：3218924
【文章来源】：集美大学福建省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
网格化效果图
集美大学硕士学位论文基于元胞机和概率模型的港口水域交通流预测42（2）锚地东山湾湾内由众多岛屿环绕构成天然防波屏障，湾内锚地避风条件良好。港湾水域有2#、3#、4#三个锚地，还有检疫锚地、10万吨级油船专用锚地、15万吨级原油船锚地和两个5万吨级散货船专用锚地。其具体分布如图（5-2）所示。图5-2东山湾水域锚地现状分布示意图5.1.2交通流特征漳州海事局对古雷港区近5年进出港船舶统计数据如表（5-1）所示，2014年由于古雷港区PX项目的试运行，其进出港船舶数目约为2013年的1.7倍。由于该项目在试运营期间的爆炸事故，2016年进出港船舶比2015约减少了30%，2017年逐步恢复进出港船舶数目与2016年持平。该统计数据为大型船舶统计数据不包含进出港渔船。在该港区存在许多渔船作业，比如在古雷航道6#浮标南侧水域常有渔船穿越古雷航道进入湾内渔港或在此水域进行捕鱼作业。表5-1古雷港区交通流年数据年份20132014201520162017进出港船次（艘次）205934673088204820605.2港口交通流预测应用python语言进行交通流预测平台底层算法搭建，借助现有的mesa库实现航段以及区域的模型构建。Mesa库是基于Agent的模型模块化框架，可用于进行模型构建、数据分析和模型可视化，其不同功能模块组件保持分离，以实现对复杂系统的计算机仿真实现。平台构建中涉及许多上文所说的数据前期处理，包括：数据插值、航迹聚类、初始船位转
集美大学硕士学位论文基于元胞机和概率模型的港口水域交通流预测46舶行为，在船舶执行元胞自动机更新规则时统计相应的船舶行为。同时该预测结果是接入真实交通流预测所得，将该水域获取的某一时刻AIS数据进行坐标装换航迹分析后进行分类，并将其实时位置坐标转换为系统坐标，将与之对应ShipAgent()放置在对应网格点进行交通流预测。设置预测时常为6000个时间步长，即100分钟，系统运行结束后将统计结果根据不同会遇态势、会遇位置和会遇时间绘制船舶交通流预测结果统计图如图（5-5）所示。图5-5交通流预测结果统计由图（5-5）可以得出对于定线制双向航道，航道内船舶发生最多的会遇行为是船舶对遇行为，对遇行为在该航道相对集中位置为网格编号1000-3000处以及网格编号4900-5100处，网格4000附近因接入交通流坐标转换后属于该区域船舶数量相对较少导致该区域交通流分布相对离散，因此该区域船舶会遇统计较少。追越行为因制定追越判断条件较为严格，故追越行为在该航道交通流预测中相对分散，按时间轴分布相对离散。根据该研究水域设置敏感水域对应网格编号2000-3000，故敏感水域会遇行为集中分布在该区域，并在设定时间步长内时间参数对该行为影响较校交叉行为是根据概率模型进行航迹推演得到航道外船舶穿越航道时间和穿越位置的基础上，根据预定机制和穿越规则形成的船舶行为，由图可得该区域预测时间段内网格编号1000-3000处会有穿越船在对应时间点进行穿越。为验证预测结果的准确性，对接入AIS数据中初始船舶位置、初始船舶速度、概率模型推导穿越船穿越点和穿越时间进行人为改变，并重新定义敏感水域划分将敏感水域按锚地进出口和航道交汇处分为3段区域，改变后的预测结果统计如图（5-6）所示。
【参考文献】：
期刊论文
[1]基于组合深度学习的快速路车道级速度预测研究[J]. 谷远利,陆文琦,李萌,王硕,邵壮壮. 交通运输系统工程与信息. 2019(04)
[2]基于聚类分析和马尔科夫模型的交通状态预测[J]. 郭骁炜,陈小妮,于泉,孙瑶. 公路. 2019(08)
[3]PSO-无偏灰色马尔科夫模型在船舶交通流量预测中的应用[J]. 马全党,江福才,范庆波,朱蓉蓉. 中国航海. 2019(01)
[4]改进的考虑前车速度效应的交通流元胞自动机模型[J]. 李硕,夏运达. 公路工程. 2019(01)
[5]基于改进的隐马尔可夫模型交通拥堵识别研究[J]. 王忻. 兰州交通大学学报. 2018(05)
[6]基于灰色马尔科夫模型的船舶交通流预测[J]. 刘成勇,万伟强,陈蜀喆,甘浪雄. 中国航海. 2018(03)
[7]基于优化的灰色马尔可夫模型对船舶流的预测[J]. 张晓雷,黄洪琼. 计算机技术与发展. 2018(10)
[8]基于集合经验模态分解和差分进化算法优化BP神经网络的船舶交通流预测[J]. 肖进丽,李晓磊. 大连海事大学学报. 2018(02)
[9]基于小波分析与隐马尔科夫模型的短时交通流预测[J]. 王川,张宝文. 交通节能与环保. 2018(01)
[10]基于ARMA和卡尔曼滤波的短时交通预测[J]. 杨高飞,徐睿,秦鸣,郑凯俐,张兵. 郑州大学学报(工学版). 2017(02)
博士论文
[1]基于元胞自动机的海上航道内船舶交通流研究[D]. 齐乐.大连海事大学 2017
[2]基于隐马尔可夫模型的车辆行程时间预测方法研究[D]. 欧阳黜霏.武汉大学 2015
[3]基于元胞自动机的交通流建模及实时诱导策略研究[D]. 向郑涛.上海大学 2013
硕士论文
[1]交互式多模型的转移概率自适应算法研究及应用[D]. 孙澜澜.西安理工大学 2019
[2]基于改进狼群算法和BP循环神经网络的短时交通流预测研究[D]. 邢家龙.北京交通大学 2019
[3]基于深度学习的短时交通流预测研究[D]. 翟冬梅.北京交通大学 2019
[4]基于隐马尔可夫新状态转移机制的网络风险动态评估方法[D]. 张晓.燕山大学 2019
[5]基于AIS数据挖掘的船舶领域模型研究[D]. 周田瑞.集美大学 2018
[6]基于AIS信息的船舶异常行为研究[D]. 黄靓莹.杭州电子科技大学 2018
[7]基于卡尔曼滤波的长江武汉大桥段交通流预报[D]. 柳立春.大连海事大学 2018
[8]基于LSTM和灰色模型集成的短期交通流预测[D]. 谈苗苗.南京邮电大学 2017
[9]基于Agent和元胞自动机的港口交通流建模与仿真[D]. 何鑫.大连海事大学 2017
[10]厦门港主航道VTS决策支持关键技术研究[D]. 赵一帆.集美大学 2017
本文编号：3218924
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3218924.html
